人工智能AI培訓(xùn)_Tensorflow 2.0實(shí)現(xiàn)手寫數(shù)字實(shí)驗(yàn)
1.實(shí)驗(yàn)介紹
1.1.關(guān)于本實(shí)驗(yàn)
本實(shí)驗(yàn)主要內(nèi)容是進(jìn)行手寫字體圖像的識(shí)別，用到的框架主要包括：TensorFlow2.0，主要用于深度學(xué)習(xí)算法的構(gòu)建，本實(shí)驗(yàn)以開源的手寫字體數(shù)據(jù)集為基礎(chǔ)，基于Keras深度學(xué)習(xí)庫對(duì)手寫字體進(jìn)行識(shí)別。
1.2.實(shí)驗(yàn)?zāi)康?br> 理解圖像識(shí)別的原理。
掌握利用TensorFlow2.0構(gòu)建圖像識(shí)別模型。
2.實(shí)驗(yàn)步驟
2.1.導(dǎo)入實(shí)驗(yàn)環(huán)境
步驟 1導(dǎo)入相應(yīng)的模塊
Keras是一個(gè)高層神經(jīng)網(wǎng)絡(luò)API，Keras由純Python編寫而成并基于Tensorflow、Theano以及CNTK后端。Keras 支持快速實(shí)驗(yàn)。
#導(dǎo)入相關(guān)依賴包
import os
import tensorflow as tf
from tensorflow import keras
from tensorflow.keras import layers, optimizers, datasets
from matplotlib import pyplot as plt
import numpy as np
os.environ['TF_CPP_MIN_LOG_LEVEL']='2'
2.2.導(dǎo)入實(shí)驗(yàn)數(shù)據(jù)集
步驟 2下載數(shù)據(jù)集
TensorFlow2.0 的datasets中為我們提供了很多開源的數(shù)據(jù)集，可以直接執(zhí)行命令下載。
#下載后，我們會(huì)得到含有60k的訓(xùn)練集xs,和10k的測(cè)試集ys，
(x, y), (x_val, y_val) = datasets.mnist.load_data()
步驟 3數(shù)據(jù)集格式轉(zhuǎn)換
我們下載得到的數(shù)據(jù)集是numpy的格式，需要轉(zhuǎn)換成tensor。
#將圖像轉(zhuǎn)化為tensor
x = tf.convert_to_tensor(x, dtype=tf.float32) / 255.
y = tf.convert_to_tensor(y, dtype=tf.int32)
print(x.shape, y.shape)
輸出結(jié)果：
(60000, 28, 28) (60000,)
步驟 4切分訓(xùn)練集與測(cè)試集
train_dataset = tf.data.Dataset.from_tensor_slices((x, y))
train_dataset = train_dataset.batch(200)
步驟 5查看數(shù)據(jù)集信息
本實(shí)驗(yàn)是文字識(shí)別，我們可以先打印查看前9張圖片，檢查圖片是否是正確的數(shù)據(jù)集。
plt.figure()
for i in range(9):
plt.subplot(3,3,i+1)
plt.imshow(x[i])
plt.ylabel(y[i].numpy())
plt.show()
輸出結(jié)果：
?
2.3.手寫字體圖像識(shí)別建模
步驟 6初始化神經(jīng)網(wǎng)絡(luò)
數(shù)據(jù)集準(zhǔn)備完成，接下來我們就需要構(gòu)建訓(xùn)練模型，我們首先需要建立初始化的神經(jīng)網(wǎng)絡(luò)。
#調(diào)用全連接784->512->256->10, 激活函數(shù)選擇Relu進(jìn)行映射
model=keras.Sequential([
layers.Dense(512, activation='relu'),
layers.Dense(256, activation='relu'),
layers.Dense(10)
])
步驟 7定義學(xué)習(xí)率更新規(guī)則
設(shè)置模型的學(xué)習(xí)率參數(shù)。
#給出學(xué)習(xí)率（步長(zhǎng)）進(jìn)行更新
optimizer=optimizers.SGD(learning_rate=0.001)
步驟 8構(gòu)建模型訓(xùn)練函數(shù)
神經(jīng)網(wǎng)絡(luò)的模型參數(shù)更新是一個(gè)迭代的過程，所以我們可以將模型訓(xùn)練的過程定義成一個(gè)函數(shù)，從而進(jìn)行模型的訓(xùn)練。
def train_epoch(epoch):
# Step4.loop
for step, (x, y) in enumerate(train_dataset):
with tf.GradientTape() as tape:
# 將圖像由二維矩陣轉(zhuǎn)化為向量；[b, 28, 28] => [b, 784]
x = tf.reshape(x, (-1, 28*28))
#將label用獨(dú)熱碼表示，例5：[0,0,0,0,0,1,0,0,0,0]
y = tf.one_hot(y, depth=10)
# 將圖像導(dǎo)入模型開始預(yù)測(cè)
# [b, 784] => [b, 10]
out = model(x)
# 計(jì)算 loss
print(np.size(x))
loss = tf.reduce_sum(tf.square(out - y)) / x.shape[0]
# 更新。optimize and update w1, w2, w3, b1, b2, b3
grads = tape.gradient(loss, model.trainable_variables)
# w' = w - lr * grad
optimizer.apply_gradients(zip(grads, model.trainable_variables))
if step % 100 == 0:
print(epoch, step, 'loss:', loss.numpy())
return loss
步驟 9構(gòu)建繪圖函數(shù)
繪制train loss與epoch的關(guān)系圖，這樣我們就可以查看模型訓(xùn)練的每一步損失值。
def plot_figure(y):
#作出train loss與epoch的關(guān)系圖
x = range(0, np.size(y))
plt.figure(1)
plt.plot(x, y, 'o-')
plt.title('epoches')
plt.ylabel('Train loss')
plt.show()
步驟 10構(gòu)建模型訓(xùn)練函數(shù)
定義模型訓(xùn)練函數(shù)用于進(jìn)行模型訓(xùn)練：
def train():
#創(chuàng)建list用于保存loss值
loss_list = []
for epoch in range(30):
loss= train_epoch(epoch)
loss_list.append(loss)
plot_figure(loss_list)
步驟 11執(zhí)行模型訓(xùn)練
執(zhí)行定義好的模型訓(xùn)練函數(shù)進(jìn)行模型訓(xùn)練：
if __name__ == '__main__':
train()
輸出結(jié)果：
展示最后10次的模型訓(xùn)練損失值：
20 0 loss: 1.1279364
156800
21 0 loss: 1.1141373
156800
22 0 loss: 1.1015469
156800
23 0 loss: 1.0899687
156800
24 0 loss: 1.0792384
156800
25 0 loss: 1.0692606
156800
26 0 loss: 1.0599515
156800
27 0 loss: 1.0512612
156800
28 0 loss: 1.0431163
156800
29 0 loss: 1.0354265
train loss與epoch的關(guān)系圖：
本實(shí)驗(yàn)利用網(wǎng)上已有的北京房?jī)r(jià)數(shù)據(jù)集預(yù)測(cè)了北京的房?jī)r(jià)，實(shí)現(xiàn)了TensorFlow的線性回歸應(yīng)用。
